論文の概要: SREdit: Scene Response Guided Appearance Editing for Projection Mapping
- arxiv url: http://arxiv.org/abs/2610.32792v1
- Date: Fri, 23 Oct 2026 15:37:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.595813
- Title: SREdit: Scene Response Guided Appearance Editing for Projection Mapping
- Title（参考訳）: SREdit: プロジェクションマッピングのためのシーンレスポンスガイド表示編集
- Abstract要約: SREditはプロジェクションベースの外観編集のための効率的な応答誘導フレームワークである。
画像1枚につき1秒未満の追加で、VRAMのオーバーヘッドは無視できる。
- 参考スコア（独自算出の注目度）: 4.899818550820576
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Projection-based appearance editing changes selected visual attributes of a physical object through projection mapping (PM). To display a desired appearance, PM typically uses projector compensation, which computes a projector input that counteracts the geometric and photometric distortions of the scene. Compensation can only approximate this appearance within the available projection range, and it cannot revise the appearance itself. Pretrained LLM-based image editors provide a direct way to produce the desired appearance from a text prompt or reference image; projector compensation can then attempt to reproduce the edited result through projection. However, these editors do not have an accurate measure of the scene geometry or scene response. Therefore, their outputs may contain geometric misalignment, inconsistent shading, or changes outside the available projection range, which downstream projector compensation cannot correct. To address this problem, we introduce SREdit, an efficient response-guided framework for projection-based appearance editing. SREdit estimates a scene response map from the reconstructed scene that reflects how strongly projected illumination can affect different surface regions. SREdit uses the source appearance to constrain the early sampling process and preserve registration with the fixed physical object, while the scene response map adapts the amount of editing across surface regions. Experiments across two pretrained image editors show that SREdit improves projected appearance quality and reproduction fidelity. It adds less than one second per image with negligible VRAM overhead. Participants also consistently preferred the results produced with SREdit in our user study.
- Abstract（参考訳）: 投影型外見編集は、投影マッピング(PM)により、物理的な物体の視覚的属性を選択する。
所望の外観を表示するため、PMは通常プロジェクター補償を使用し、シーンの幾何学的および測光的歪みに反するプロジェクター入力を計算する。
補償は利用可能な射影範囲内でのみこの外観を近似することができ、外観自体を修正できない。
予め訓練されたLCMベースの画像エディタは、テキストプロンプトまたは参照画像から所望の外観を生成する直接的な方法を提供する。
しかし、これらの編集者は、シーン幾何学やシーン応答の正確な測定値を持っていない。
したがって、それらの出力には幾何学的ミスアライメント、一貫性のないシェーディング、あるいは利用可能な射影範囲外の変化が含まれており、下流のプロジェクター補償は修正できない。
この問題に対処するために,プロジェクションベースの外観編集のための効率的な応答誘導フレームワークSREditを紹介する。
SREditは、強い投影された照明が異なる表面領域に与える影響を反映した、再構成されたシーンからのシーン応答マップを推定する。
SREditはソースの外観を使って初期サンプリングプロセスを制限し、固定された物理オブジェクトとの登録を保持する。
2つの事前訓練された画像エディタによる実験により、SREditは投影された外観品質と再現忠実度を改善することが示された。
画像1枚につき1秒未満の追加で、VRAMのオーバーヘッドは無視できる。
また,SREditによるユーザ調査の結果も一貫して好意的であった。
関連論文リスト
- ProEdit: Inversion-based Editing From Prompts Done Right [63.554692704101]
インバージョンベースのビジュアル編集は、ユーザ指示に基づいて画像やビデオを編集するための効果的でトレーニングのない方法を提供する。
既存の方法は、通常、編集一貫性を維持するためにサンプリングプロセス中にソースイメージ情報を注入する。
注意点と潜伏点の両方においてこの問題に対処するProEditを提案する。
論文 参考訳（メタデータ） (2025-12-26T18:59:14Z) - NEP: Autoregressive Image Editing via Next Editing Token Prediction [16.69384738678215]
本稿では,自動回帰画像生成に基づくNext Editing-token Prediction(NEP)として画像編集を定式化することを提案する。
我々のモデルは、ゼロショット方式でその生成を反復的に精錬することで、テスト時間スケーリング(TTS)を自然にサポートします。
論文 参考訳（メタデータ） (2025-08-08T06:06:34Z) - LAPIG: Language Guided Projector Image Generation with Surface Adaptation and Stylization [54.291669057240476]
LAPIGはユーザテキストプロンプトを入力として、プロジェクタを使って表面スタイルを変換することを目的としている。
投影面適応(PSA)は補償可能な表面スタイリングを生成する。
生成した画像は、視覚的に表面の形状を楽しませるために投影される。
論文 参考訳（メタデータ） (2025-03-15T15:31:04Z) - Customize your NeRF: Adaptive Source Driven 3D Scene Editing via
Local-Global Iterative Training [61.984277261016146]
テキスト記述や参照画像を編集プロンプトとして統合するCustomNeRFモデルを提案する。
最初の課題に取り組むために,前景領域編集とフルイメージ編集を交互に行うローカル・グローバル反復編集(LGIE)トレーニング手法を提案する。
第2の課題として、生成モデル内のクラス事前を利用して、一貫性の問題を緩和するクラス誘導正規化を設計する。
論文 参考訳（メタデータ） (2023-12-04T06:25:06Z) - Object-aware Inversion and Reassembly for Image Editing [61.19822563737121]
オブジェクトレベルのきめ細かい編集を可能にするために,オブジェクト認識型インバージョンと再アセンブリ(OIR)を提案する。
画像の編集時に各編集ペアに対して最適な反転ステップを見つけるために,検索基準を用いる。
本手法は,オブジェクトの形状,色,材料,カテゴリなどの編集において,特に多目的編集シナリオにおいて優れた性能を発揮する。
論文 参考訳（メタデータ） (2023-10-18T17:59:02Z) - A Learned Compact and Editable Light Field Representation [18.93526645526553]
本稿では,視覚チャネルの集合からなる,新規なコンパクトかつ編集可能な光場表現を提案する。
この表現のビジュアルチャネルは、既存の2d画像編集ツールを使って編集できる。
我々は,この表現を,表現を学習するエンコーダと光場を再構成するデコーダからなるオートエンコーダフレームワークを用いて学習することを提案する。
論文 参考訳（メタデータ） (2021-03-21T06:16:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。